模式識(shí)別（第2版）

第1章  導(dǎo)論
1.1  模式識(shí)別的重要性
1.2  特征、特征向量和分類器
1.3  有監(jiān)督和無(wú)監(jiān)督模式識(shí)別
1.4  本書的內(nèi)容安排
第2章  基于貝葉斯決策理論的分類器
2.1  引言
2.2  貝葉斯決策理論
2.3  判別函數(shù)和決策面
2.4  正態(tài)分布的貝葉斯分類
2.5  未知概率密度函數(shù)的估計(jì)
2.6  近鄰規(guī)則
習(xí)題
參考文獻(xiàn)
第3章  線性分類器
3.1  引言
3.2  線性判別函數(shù)和決策超平面
3.3  感知器算法
3.4  最小二乘法
3.5  均方估計(jì)的回顧
3.6  支持向量機(jī)
習(xí)題
參考文獻(xiàn)
第4章  非線性分類器
4.1  引言
4.2  異或問(wèn)題
4.3  兩層感知器
4.4  三層感知器
4.5  基于訓(xùn)練集準(zhǔn)確分類的算法
4.6  反向傳播算法
4.7  反向傳播算法的改進(jìn)
4.8  代價(jià)函數(shù)選擇
4.9  神經(jīng)網(wǎng)絡(luò)的大小選擇
4.10  仿真實(shí)例
4.11  具有權(quán)值共享的網(wǎng)絡(luò)
4.12  推廣的線性分類器
4.13  線性二分法中l(wèi)維空間的容量
4.14  多項(xiàng)式分類器
4.15  徑向基函數(shù)網(wǎng)絡(luò)
4.16  通用逼近
4.17  支持向量機(jī)：非線性情況
4.18  決策樹
4.19  討論
習(xí)題
參考文獻(xiàn)
第5章  特征選擇
5.1  引言
5.2  預(yù)處理
5.3  基于統(tǒng)計(jì)假設(shè)檢驗(yàn)的特征選擇
5.4  接收機(jī)操作特性ROC曲線
5.5  類可分性測(cè)量
5.6  特征子集的選擇
5.7  最優(yōu)特征生成
5.8  神經(jīng)網(wǎng)絡(luò)和特征生成/選擇
5.9  Vapnik-Chernovenkis學(xué)習(xí)理論的提示
習(xí)題
參考文獻(xiàn)
第6章  特征生成I：線性變換
6.1  引言
6.2  基本向量和圖像
6.3  Karhunen-lo弙e變換
6.4  奇異值分解
6.5  獨(dú)立成分分析
6.6  離散傅里葉變換（DFT
6.7  離散正弦和余弦變換
6.8  Hadamard變換
6.9  Haar變換
6.10  回顧Haar展開式
6.11  離散時(shí)間小波變換
6.12  多分辨解釋
6.13  小波包
6.14  二維推廣簡(jiǎn)介
6.15  應(yīng)用
習(xí)題
參考文獻(xiàn)
第7章  特征生成II
7.1  引言
7.2  區(qū)域特征
7.3  字符形狀和大小的特征
7.4  分形概述
習(xí)題
參考文獻(xiàn)
第8章  模板匹配
8.1  引言
8.2  基于最優(yōu)路徑搜索技術(shù)的測(cè)度
8.3  基于相關(guān)的測(cè)度
8.4  可變形的模板模型
習(xí)題
參考文獻(xiàn)
第9章  上下文相關(guān)分類
9.1  引言
9.2  貝葉斯分類器
9.3  馬爾可夫鏈模型
9.4  Viterbi算法
9.5  信道均衡
9.6  隱馬爾可夫模型
9.7  用神經(jīng)網(wǎng)絡(luò)訓(xùn)練馬爾可夫模型
9.8  馬爾可夫隨機(jī)域的討論
習(xí)題
參考文獻(xiàn)
第10章  系統(tǒng)評(píng)價(jià)
10.1  引言
10.2  誤差計(jì)算方法
10.3  探討有限數(shù)據(jù)集的大小
10.4   醫(yī)學(xué)圖像實(shí)例研究
習(xí)題
參考文獻(xiàn)
第11章  聚類：基本概念
11.1  引言
11.2  近鄰測(cè)度
習(xí)題
參考文獻(xiàn)
第12章  聚類算法I：順序算法
12.1  引言
12.2  聚類算法的種類
12.3  順序聚類算法
12.4  BSAS的改進(jìn)
12.5  兩個(gè)閾值的順序方案
12.6  改進(jìn)階段
12.7  神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)
習(xí)題
參考文獻(xiàn)
第13章  聚類算法II：層次算法
13.1  引言
13.2  合并算法
13.3  Cophenetic矩陣
13.4  分裂算法
13.5  最佳聚類數(shù)的選擇
習(xí)題
參考文獻(xiàn)
第14章  聚類算法III：基于函數(shù)最優(yōu)方法
14.1  引言
14.2  混合分解方法
14.3  模糊聚類算法
14.4  可能性聚類
14.5  硬聚類算法
14.6  向量量化
習(xí)題
參考文獻(xiàn)
第15章  聚類算法IV
15.1  引言
15.2  基于圖論的聚類算法
15.3  競(jìng)爭(zhēng)學(xué)習(xí)算法
15.4  分支和有界聚類算法
15.5  二值形態(tài)聚類算法
15.6  邊界檢測(cè)算法
15.7  谷點(diǎn)搜索聚類算法
15.8  通過(guò)代價(jià)最優(yōu)聚類（回顧）
15.9  用遺傳算法聚類
15.10  其他聚類算法
習(xí)題
參考文獻(xiàn)
第16章  聚類有效性
16.1  引言
16.2  假設(shè)檢驗(yàn)回顧
16.3  聚類有效性中的假設(shè)檢驗(yàn)
16.4  相關(guān)的準(zhǔn)則
16.5  單聚類有效性
16.6  聚類趨勢(shì)
習(xí)題
參考文獻(xiàn)
附錄A  概率論和統(tǒng)計(jì)學(xué)的相關(guān)知識(shí)
A.1  全概率公式和貝葉斯準(zhǔn)則
A.2  均值和方差
A.3  統(tǒng)計(jì)的獨(dú)立性
A.4  特征函數(shù)
A.5  矩和累積量
A.6  概率密度函數(shù)的Edgeworth展開式
A.7  Kullback-Leibler距離
A.8  多元高斯概率密度函數(shù)或正態(tài)概率密度函數(shù)
A.9  Cramer-Rao下界
A.10  中心極限定理
A.11  c 2分布
A.12  t分布
A.13  Beta分布
A.14  泊松分布
參考文獻(xiàn)
附錄B  線性代數(shù)基礎(chǔ)
B.1  正定矩陣和對(duì)稱矩陣
B.2  相關(guān)矩陣的對(duì)角化
附錄C  代價(jià)函數(shù)的優(yōu)化
C.1  梯度下降算法
C.2  牛頓算法
C.3  共軛梯度法
C.4  對(duì)約束問(wèn)題的優(yōu)化
參考文獻(xiàn)
附錄D  線性系統(tǒng)理論的基本定義
D.1  線性時(shí)不變（LTI）系統(tǒng)
D.2  變換函數(shù)
D.3  串聯(lián)和并聯(lián)
D.4  在二維空間上的推廣